Какие товарные рекомендации не работают: пять примеров

Ты зашел в магазин у дома за бутылкой водички, но раз такое дело — набрал себе полную тележку. В ней есть всё, от кофейка по акции до зубной пасты, которая всё-равно когда-нибудь закончится. Так произошло, потому что мерчендайзер всё предусмотрел — и разложил на твоем пути предложения, от которых нельзя отказаться. 

Так работают товарные рекомендации в «физическом» мире. В чем их сила? В контекстуальности. Кока-кола стоит недалеко от лаймов и кубинского рома, а пока ты идешь за ингредиентами для роллов, по пути зацепишь аутентичную циновку. Мерчендайзеры анализируют пути перемещения покупателей, рассматривают типовые разные сценарии покупок и выкладывают товары так, чтобы они уходили с полок в соответствие с планом. 

А в чем слабость таких рекомендаций? В том, что их невозможно подстроить под каждого конкретного покупателя. Нет, конечно, попытки были: например, Mondelez однажды запустил печально известную экспериментальную кампанию. Рядом с полками, где лежали всенародно любимые Oreo и другая продукция бренда, поставили Kinect, это такие камеры от консолей Xbox с функцией распознавания объектов. Ты подходил к такой — камера определяла, какого ты пола и сколько тебе лет. Такие данные бренд планировал использовать для таргетинга рекламы на экране рядом.

Да, покупатели тоже почувствовали себя белыми мышками под стеклом и инициативу быстренько свернули.

В онлайне с персонализацией все круче. Хотя бы потому, что там это можно делать этично, без фотографирования покупателя через вебку на ноуте.

Как продавать больше, чем обычно

Существует много способов заставить покупателя потратить больше, чем он вообще-то хотел. 

Например, есть популярная схема с бесплатной доставкой, которая начинается с определенной суммы. Недобрал до нее — лови попап с колл-ту-экшном или текстовое напоминание прямо в корзине. Вполне рабочий сценарий, при условии, что сумма, на которую нужно «добрать» товаров адекватна ситуации. Работает формула: сумма должна быть примерно такой же, как и сумма доставки. Если ты набрал на 2000 рублей, а бесплатная доставка с 5000, при этом сама услуга стоит 300 — мало кто будет добивать корзину ради такой сомнительной выгоды.

Другая схема — это товарные рекомендации. Они работают персонально с каждым посетителем и предлагают товары в зависимости от контекста. Кто-то изучает конкретную модель пылесоса — ему товарные рекомендации предложат аналогичные модели в том же ценовом сегменте и комплект фильтров. Кто-то просто серфит по каталогу (шопинг-терапия у него такая) или ищет выгодные предложения недели — такому магазин порекомендует то, что сейчас в тренде, на что есть скидки или что подходит именно ему.

AliExpress и блок с акционной мелочевкой

Что может пойти не так с блоками рекомендаций? Ведь максимально же понятная штука, да и решение не новое — его использует каждый магазин, даже какой-нибудь инди-шоп товаров для вышивания на 1000 посетителей в месяц.

Примеры неудачного использования блоков рекомендаций 

А по ходу дела расскажем, как это починить, если ты не программист. 

Эпикфейл #1. Магазин одного крупного ритейлера в сегменте БТиЭ. Покупатель нажимает на ноутбук. В рекомендованных аксессуарах его ждет вот такая подборка:

На первый взгляд тут все логично, но это только на первый

Как работает блок товарных рекомендаций в этом случае? Сначала он смотрит на товар, который разглядывает пользователь. Потом обращается к заложенному в него алгоритму, видит там инструкцию: к ноутбукам предлагать всё, что в каталоге помечено как аксессуары для ноутбуков. Дело сделано.

По факту же получается, что подборка несостоятельна более, чем полностью: внешняя вебка размером с мыльницу ноуту не нужна, у него встроенная и лучшего качества, USB-кабель для принтера вряд ли нужен тому, кто берет ноут без принтера, а наушники и микрофон были бы полезны, да только конкретно у этого ноута другие разъемы.

Эпикфейл #2. Теперь давайте разберем сценарий «посмотрите также». Это стандартный сценарий, который подразумевает, что блок рекомендаций покажет посетителю товары, похожие на текущий.

Обратите внимание на цены

В целом, этот блок сработал бы отлично, если бы в нем не поленились задать ограничение по цене. Текущий разброс цен на рюкзаки в два раза — это почти гарантированное непопадание в ожидание клиента. 

Если в вашей рекомендательной системе есть функция настройки блоков, вплоть до ограничений вывода товаров по конкретным параметрам, то проблема решается в несколько кликов. Если нет — тогда пошевелите разработчиков, они все могут, только притворяются, что это не так.

Эпикфейл #3. Пример с ценой выше не настолько привлекает внимание, как вот этот. Заходим на сайт зоомагазина и выбираем корм для собак малых пород. Что нам предлагают в качестве рекомендаций? Переноску на пять размеров больше нужного, палочки для крупных пород, товары для кошатников и владельцев грызунов. Всё со скидками. 

Рекомендации сработают только в случае, если у посетителя еще и кошки, и крысы с хомячками 

Скорее всего, мотивы магазина в этом случае — продать как можно больше акционных товаров в нагрузку к основной покупке. Но штука в том, что зоомагазины слишком специфичны для того, чтобы тут работали универсальные алгоритмы, всегда нужно учитывать тип питомца, породу, возраст, размеры и так далее.

Здесь тоже стоило бы настроить ограничения для алгоритма, хотя бы по типу животного — и попаданий в покупателя было бы уже сильно больше. Как это можно сделать в нашем редакторе:  

Эпикфейл #4. Когда мы идем на Алишку за полной корзиной веселых штук для поднятия настроения за 99 рублей — это совсем не тот шопинг, как когда мы идем за крупной покупкой, которую обдумывали месяц. Например, покупатель идет за телевизором, который стоит 50 000 рублей. Он на него, возможно, долго копил. Он читал отзывы, сравнивал, кружил над десятью моделями, постепенно сужая круг поиска.

Что делает магазин? Включает режим «ничего не знаю, мне так мои алгоритмы напели». И к телевизору рекомендует еще несколько дорогущих покупок с внушительным ценником. Логика рекомендаций тут отдельный вопрос — возможно, с телеком по статистике этого магазина действительно покупают дрель. 

Товарные рекомендации в маркетплейсе, основной товар — телевизор

Эпикфейл #5. Можно сделать блоки рекомендаций просто суперскими, настроить логику ручками так, что покупатели будут удивляться. Но налажать при этом все еще просто — например, промахнувшись с расположением блоков рекомендаций.

Товар, описание товара, таблица размеров, отзывы, доставка, адреса магазинов (даже с фото), гарантийные условия — а что это у нас здесь, скромно забилось в подвал? А это блок рекомендаций, до которого никто не доскроллит. 

Машинные алгоритмы и ручная настройка — что круче?

Конечно, Big Data, машин лернинг и вот это всё — прекрасные технологии, которые сами обучаются и сами все делают за человека. Например, формируют подборки товарных рекомендаций. Такой подход может нормально работать и без вмешательства маркетолога и ручной настройки.

Например, в интернет-магазине Nanuka на платформе REES46 работают 6 блоков:

  • Посмотрите также (Корзина)
  • Популярные товары (Главная страница, страница категории)
  • Похожие товары/С этим товаром также покупают (Страница товара)
  • Прямо сейчас покупают (Главная страница)
  • Вам будет это интересно (Страница товара)
  • Вы недавно смотрели (Страница категории)

В декабре благодаря товарным рекомендациям Nanuka получили 7,2% выручки, а объем проданных товаров увеличился на 16,8%.

Один из блоков товарных рекомендаций в магазине

С другой стороны, ручная настройка и A/B-тестирование — это еще больше потенциала для роста выручки. Например, магазин Paris Nail для блоков рекомендаций проектирует и запускает тесты разной логики.

Персональные товарные рекомендации

Увеличивайте чек покупки, делайте перекрестные продажи. 8 готовых сценариев продаж и неограниченные возможности кастомизации. Запуск A/B-тестов одной кнопкой.

recommenations

Блок рекомендаций наполняется в три шага (в реальности, конечно, всё это происходит моментально). Первый шаг — в блок добавляются три релевантные новинки, их подбирает машинный алгоритм. Второй шаг — добавляется один товар без скидки, он берется из списка популярных товаров. Третий шаг — блок дозаполняется товарами со скидкой, тоже из популярных.

В качестве альтернативной версии используется сценарий, когда «популярные» товары заменяются на те, что покупают в данный момент («сейчас покупают»).

Такой внимательный подход и совмещение машинных и скорректированных вручную алгоритмов помогает получать магазину около 30% дополнительного дохода за счет товарных рекомендаций. 

Вывод будет такой: если система рекомендаций обещает вам золотые горы, то это чистая правда, но при условии, что вы готовы эти горы перевозить собственноручно на тачке. Сохраните себе, чтобы не забыть!

Подпишитесь на рассылку

Два письма в месяц: полезные статьи про маркетинг, исследования, инструкции, гайды, чек-листы и кейсы с лучшими практиками наших клиентов.